Python保存numpy数组供C++加载为OpenCV Mat/Eigen矩阵方法

针对你用numpy.save生成的float32类型、形状为[10000,18,5]的npy文件，不需要修改Python侧的保存逻辑，C++侧可以非常简便地加载到OpenCV Mat、Eigen矩阵结构中，没有额外重型依赖。

核心原理 #

npy是numpy的原生存储格式，结构非常简单，除了很短的文件头存储数据类型、维度、存储顺序信息外，后续就是和numpy内存布局完全一致的连续二进制块，你存储的float32类型和C++的float类型位宽完全匹配，不需要做数值转换，加载开销和读裸二进制文件几乎一致。

npy文件结构如下：

1. 前6字节为固定魔数：\x93NUMPY
2. 接下来2字节为格式版本号
3. 接下来2或4字节为文件头长度
4. 接下来是ASCII编码的字典字符串，记录数据类型descr、存储顺序fortran_order、维度shape
5. 文件头之后是连续的原始数组数据

你可以自己写100行以内的代码完成解析，不需要依赖第三方库。

加载到目标结构的方法 #

解析拿到原始数据的指针、维度、存储顺序后，直接映射到对应矩阵结构即可，注意numpy默认是C序（行优先）存储，和OpenCV默认布局一致，和Eigen默认的列优先布局不同，映射时需要指定行优先参数。

• 加载到OpenCV Mat

// 假设解析后得到：float* data_ptr 指向原始数据起始位置，shape为维度数组
std::vector<int> shape = {10000, 18, 5};
// 直接构造Mat，默认共享解析得到的内存
cv::Mat mat(shape.size(), shape.data(), CV_32F, (void*)data_ptr);
// 需要Mat持有独立内存时调用clone，即可释放原始加载的缓冲区
cv::Mat mat_owned = mat.clone();

• 加载到Eigen结构
  如果是二维矩阵场景，可以把三维数组reshape为二维使用；如果需要保留三维结构，可以用Eigen的Tensor模块：

// 二维映射：将数据reshape为10000行、18*5=90列的行优先矩阵
Eigen::Map<Eigen::Matrix<float, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor>>
    mat2d_map((float*)data_ptr, 10000, 90);
// 拷贝得到独立持有的Eigen矩阵
Eigen::MatrixXf eigen_mat = mat2d_map;

// 三维映射：使用Eigen::Tensor保留原始维度
Eigen::TensorMap<Eigen::Tensor<float, 3, Eigen::RowMajor>>
    tensor3d_map((float*)data_ptr, 10000, 18, 5);
// 拷贝得到独立持有的Eigen Tensor
Eigen::Tensor<float, 3, Eigen::RowMajor> eigen_tensor = tensor3d_map;

注意事项 #

• 不要忽略存储顺序参数：如果Eigen映射时不指定Eigen::RowMajor，读出来的数据会完全错位。
• 严格匹配数据类型：numpy的float32对应C++的float，不要误用double，否则会出现数值错乱。
• 不需要转存CSV、JSON等文本格式，这类格式加载速度比二进制慢10~100倍，还会存在浮点数精度损失。
• 如果不需要压缩，直接用numpy.save存npy即可，比numpy.savez压缩包少了解压步骤，加载速度更快。

内容的提问来源于stack exchange，提问作者mcExchange